PENGENALAN POLA ALPHABET TULISAN TANGAN SECARA ON-LINE DENGAN JST-BP
ISSN: 1693-6930
135
PENGENALAN POLA ALPHABET TULISAN TANGAN
SECARA ON-LINE DENGAN JST-BP
Tole Sutikno, Andhy Fathurrakhman
Program Studi Teknik Elektro Universitas Ahmad Dahlan
Kampus III Jln. Prof Soepomo, Janturan, Yogyakarta
Telp. (0274) 379418 Ext. 220, HP. 08562862810, Fax. (0274) 381523
email: tholes2000@yahoo.com, andhyf@yahoo.com
Abstract
The intelligent system based in the backpropagation artificial neural network and image
processing with GUI Matlab 7.0 was developed. This system is designed for on-line pattern
recognition. In this experiments, system are trained dan tested using capital alfabet handwriting
patterns that captured from on-line webcam automatically. Generally, the results of the
experiments show that the system could recoginize with a high accuracy.
Keywords: Neural Network, Matlab, Pattern Recognition, Webcam
Abstrak
Telah dbangun sistem cerdas berbasis jaringan syaraf tiruan dan pengolahan citra
dengan GUI Matlab 7.0. Sistem ini dirancang untuk pengenalan pola on-line. Pada eksperimen
ini, sistem dilatih dan diuji dengan pola tulisan tangan kapital, yang di-capture otomatis oleh
webcam secara on-line. Secara umum, hasil eksperimen menunjukkan bahwa sistem dapat
mengenali pola dengan akurasi yang tinggi.
Kata kunci: Jaringan Syaraf Tiruan, Matlab, Pengenalan pola, Webcam
1. Pendahuluan
Penelitian tentang pengenalan pola dengan jaringan syaraf tiruan backpropagation
(JST-BP) telah banyak dilakukan. Beberapa diantaranya dipadukan dengan teknik pengolahan
citra (TPC) sebagai pengkondisi input JST. Lallican, cs (2000) pada papernya yang
diseminarkan pada “sevent international workshop on frontiers in handwriting recognition”
mendeskripsikan migrasi pengenalan pola tulisan tangan off-line ke on-line.
Publikasi hasil penelitian serupa dilakukan oleh Plamondon dan Srihari (2000), yang
memberikan kajian komprehenship tentang konsep pengenalan pola off-line dan on-line.
Penelitian lain dilakukan Fadlil (2004), yang mengembangkan JST-BP untuk mengenali tulisan
tangan dinamis secara on-line. Sistem dilatih dan diuji menggunakan sebagian database
standart international IRONOFF, tetapi sistem ini tidak menggunakan TPC untuk praproses.
Sigit, dkk (2001) dalam penelitiannya mengembangkan JST-BP dan TPC untuk
pengenalan angka. Praproses yang digunakan adalah deteksi tepi prewitt dan ekstraksi citra ke
bentuk matrik 16 x 16 piksel. Arsitektur JST-BP menggunakan 3 lapisan, yaitu 256 neuron untuk
lapisan input, 18 neuron pada lapisan tersembunyi (hidden) dan 10 neuron untuk lapisan output.
Banyak jenis pola pelatihan adalah 10 yaitu angka 1 sampai dengan angka 10. Dari pelatihan
yang dilakukan, untuk mencapai performance yang dinginkan yaitu sebesar 0,01 dibutuhkan
sebanyak 1351 epoch.
Pada penelitian ini dirancang suatu sistem pengenalan pola tertentu secara on-line
dengan JST-BP dan TPC. Pada tahap eksperimen, sebagai pola adalah tulisan tangan alphabet
kapital. Praproses (TPC) yang digunakan ialah konversi citra RGB ke citra biner, eliminasi
derau, pen-center-an citra (pemfokusan pola) dan penskalaan ke matrik 20 x 20 piksel. Citra
diinput dengan menggunakan suatu kamera yang telah dikondisikan. Arsitektur yang diteliti
adalah 1 sampai dengan 3 hidden layer, yaitu untuk 1 hidden layer : 400 – 213 – 26, untuk 2
hidden layer : 400 – 275 – 151 – 26 dan untuk 3 hidden layer: 400 – 307 – 213 – 120 – 26.
Banyak jenis pola pelatihan adalah 26 (alphabet A–Z). Untuk mengetahui yang terbaik antara 3
Pengenalan Pola Alphabet Tulisan Tangan…..(Tole Sutikno)
136
ISSN: 1693-6930
bentuk arsitektur JST-BP tersebut digunakan perhitungan Mean Square Error (MSE) dan untuk
mengetahui tingkat level pengenalan tiap hurufnya digunakan perhitungan Standard Estimate of
Error (SEE).
2. METODE PENELITIAN
Keseluruhan perangkat keras membentuk suatu sistem dengan susunan blok diagram
seperti Gambar 1, dan kamera diletakkan dalam suatu tempat tertutup agar memperoleh
kondisi yang tetap seperti Gambar 2.
Secara keseluruhan, hardware dan software yang digunakan untuk penelitian adalah:
a. Personal Computer (PC) dengan klasifikasi : Pentium III 1,2 GHz, RAM 128 dan Hd 40
Gbyte.
b. Perangkat lunak Matlab ver. 7 dan sistem operasi Windows XP Sp 1.
c. Kamera Webcam Logitech dengan resolusi 640x840 piksel dan kabel USB.
d. Pencahayaan lampu berkekuatan 65 watt, kabel dan konektor listrik.
e. Kotak kamera
1
Webcam
Logitech
PC
Objek Gambar
Gambar 1. Skema Hardware sistem pengenalan pola
Kamera
Lampu
Gabus
Screen
Error!
Ke port USB
Ke sumber
Gambar 2. Skema alat pengambilan input
Citra RGB
Praproses
dengan TPC
Kamera
Konv. Citra RGB ke citra
biner
Eliminasi Derau
Pemfokusan pola
Penskalaan
Konv. Matrik pola ke
vektor kolom
Database
JST BP
Klasifikasi
Gambar 3. Skema perangkat lunak sistem pengenalan pola
TELKOMNIKA Vol. 3, No. 2, Agustus 2005 : 65 - 71
TELKOMNIKA
ISSN: 1693-6930
137
Perangkat lunak dibangun dengan GUI Matlab versi 7 dan terintegrasi langsung dengan
kamera webcam. Secara diagram, skema perangkat lunak sistem ditunjukkan pada Gambar 3.
Konversi citra RGB ke citra biner melewati 2 tahapan, yaitu citra RGB ke citra keabuan
(gray level) kemudian dibinerkan dengan threshold sebesar 100. Eliminasi derau yang
digunakan adalah eliminasi 9 titik bertetangga. Pen-center-an (pemfokusan) adalah bagian
dimana citra bagian tepi (atas, bawah, kiri dan kanan) yang memiliki nilai 0 dibuang, sehingga
citra yang diperoleh benar-benar citra yang memiliki informasi. Penskalaan adalah perubahan
ukuran citra menuju ukuran yang dapat ditempatkan dalam suatu frame yang berpiksel 20x20.
Hasil akhir dari praproses adalah perubahan citra yang telah diskalakan kedalam vektor kolom
yang siap dipelajari oleh JST-BP.
Pada pembelajarannya JST-BP menggunakan sistem Batch Mode (train) dilakukan
modifikasi momentum dan laju pembelajaran terhadap algoritma standard pelatihan JST-BP
sebebagai berikut:
Perubahan laju pembelajaran:
α kj t k
α kj t 11 γ α kj t
α t
kj
Jika Δ kj (t 1)Δ kj (t) 0
Jika Δ kj (t 1)Δ kj (t) 0
Lainnya
(1)
Perubahan bobot:
Wkj(t + 1) = Wkj(t) + αkZj + μ[Wkj(t) - Wkj(t – 1)]
(2)
Vji(t + 1) = Vji(t) + αjXi + μ[Vji(t) - Vji(t – 1)]
(3)
dan
Keterangan :
Wkj(t + 1), Vji(t + 1) :
Wkj(t), Vji(t)
:
Wkj(t – 1), Vji(t – 1) :
k
:
γ
:
μ
:
bobot baru berikutnya
bobot sekarang
bobot sebelumnya
Learning rate increasing (kenaikan laju pembelajaran)
learning rate deacresing (penurunan laju pembelajaran)
Konstanta Gradien
Penentuan jumlah neuron tiap lapisan (layer) digunakan fungsi linear Space untuk
membentuk jumlah neuron yang mengkrucut stabil dari lapisan input ke lapisan output. Fungsi
Linear Space yaitu:
n d 2 d1
Li floor d1 i
1
floor
layer
(4)
Keterangan:
ni = Bilangan array dari 0 sampai dengan jumlah layer -1
d1 = Jumlah neuron lapisan input
d2 = Jumlah neuron lapisan output
Dari fungsi Linear Space diperoleh nilai untuk arsitektur JST-BP yaitu untuk 1 hidden
layer:
400 – 213 – 26, untuk 2 hidden layer : 400 – 275 – 151 – 26 dan untuk 3 hidden
layer : 400 – 307 – 213 – 120 – 26. Untuk penelitian ini variabel pelatihan JST-BP diset sebagai
berikut:
Maksimal epoh
= 2000
Performan goal
= 1 x 10-5
Minimum Gradien
= 1 x 10-20
Konstanta Gradien
= 0,9
Learning Rate
= 0,01
Learning Rate Increasing = 1,05
Learning Rate Decreasing =
0,7
Pengenalan Pola Alphabet Tulisan Tangan…..(Tole Sutikno)
138
ISSN: 1693-6930
Pola yang diinputkan sebanyak 78 pola yang terdiri dari jenis pola A–Z, yaitu 1 sampai
dengan 26, 27 sampai dengan 52 dan 53 sampai dengan 78. citra dilewatkan melalui praproses
yang kemudian diubah ke dalam vektor kolom. Baris paling bawah pada vektor kolom ditambah
26 bit berisi target dari pola yang berkesesuaian, sehingga total ukuran vektor adalah 426. Polapola yang telah diubah ke vektor kolom disimpan ke dalam database. Setelah terkumpul
sebanyak 78, pola dilatihkan ke JST-BP dengan membagi vektor sebagai input pelatihan (dari
baris ke 1 sampai dengan 400 semua kolom) dan target (baris 401 sampai dengan 426 semua
kolom).
Untuk analisa, data yang akan diambil adalah output simulasi ketiga JST-BP terhadap
pola pelatihan, jumlah epoh dan performance maksimum yang diperoleh. Penentuan klasifikasi
kelas terbaik terhadap ketiga arsitektur JST-BP digunakan perhitungan Mean Square Error
(MSE) dari total output tiap arsitektur, yang dirumuskan:
MSE
1 Q
(t k ak ) 2
Q k 1
(5)
Keterangan :
Q
= Jumlah pola yang dihitung
tk
= vektor target
= vektor keluaran jaringan
ak
Untuk pelevelan tingkat pengenalan tiap alphabet masing – masing arsitektur,
digunakan perhitungan Standard Estimate of Error yang dirumuskan:
T Y
2
SEE
Se
T
N
(6)
n2
= Standard Estimate of Error
= Nilai yang diharapkan
= Jumlah elemen data
3. HASIL DAN PEMBAHASAN
Untuk 1 lapisan tersembunyi, pelatihan berhenti pada epoh ke 977, performance yang
dicapai 9,9273e-006, seperti ditunjukkan pada Gambar 4.
Performance 9.9273e-006
0.01
0.009
0.008
Performance
0.007
0.006
0.005
0.004
0.003
0.002
0.001
0
0
100
200
300
400
500
epoch
600
700
800
900
1000
Gambar 4. Grafik pelatihan jaringan dengan 1 lapisan tersembunyi
Untuk 2 lapisan tersembunyi, pelatihan berhenti pada epoh ke 867, performance yang
dicapai 7,0598e-006, seperti ditunjukkan pada Gambar 5.
TELKOMNIKA Vol. 3, No. 2, Agustus 2005 : 65 - 71
TELKOMNIKA
ISSN: 1693-6930
139
Performance 7.0598e-006
0.012
0.01
Performance
0.008
0.006
0.004
0.002
0
0
100
200
300
400
500
epoch
600
700
800
900
Gambar 5. Grafik pelatihan jaringan dengan 2 lapisan tersembunyi
Untuk 3 lapisan tersembunyi, pelatihan berhenti pada epoh ke 501, performance yang
dicapai 6,5348e-006, seperti ditunjukkan pada Gambar 6.
-3
9
Performance 6.5348e-006
x 10
8
7
Performance
6
5
4
3
2
1
0
0
100
200
300
epoch
400
500
600
Gambar 6. Grafik pelatihan jaringan dengan 3 lapisan tersembunyi
Dari ketiga arsitektur untuk mencapai performance yang diinginkan (1x10-5) dalam
mengenali 26 alphabet kapital, hanya memerlukan kurang dari 1000 iterasi. Perhitungan MSE
dari 1 lapisan tersembunyi adalah 1,5594 x 10-6, 2 lapisan tersembunyi adalah 9,94278 x 107
dan 3 lapisan tersembunyi adalah 1,98841 x 10-6. Dari perhitungan MSE ini terlihat bahwa
arsitektur dengan menggunakan 2 lapisan tersembunyi mempunyai tingkat akurasi pengenalan
pola lebih baik dari pada 1 dan 3 lapisan tersembunyi. Perhitungan SEE tiap jaringan
diperlihatkan oleh Gambar 7, 8 dan 9.
Standar Estimasi Error
1,6
1,4
1,2
Error
1
0,8
0,6
0,4
0,2
0
A
B C D E
F
G H
I
J
K
L M N O
P Q
R
S T U V W X Y Z
Pola
Gambar 7. SEE 1 lapisan tersembunyi
Pengenalan Pola Alphabet Tulisan Tangan…..(Tole Sutikno)
140
ISSN: 1693-6930
Standar Estimasi Error
1,6
1,4
1,2
Error
1
0,8
0,6
0,4
0,2
0
A
B
C D
E
F
G H
I
J
K
L M N O
P
Q
R
S T
U
V W X
Y
Z
Pola
Gambar 8. SEE 2 lapisan tersembunyi
Standar Estimasi Error
1,6
1,4
1,2
Error
1
0,8
0,6
0,4
0,2
0
A
B
C D
E
F
G H
I
J
K
L M N O
P
Q
R
S T
U
V W X Y
Z
Pola
Gambar 9. SEE 3 lapisan tersembunyi
Pelevelan tingkat pengenalan tiap alphabet untuk arsitektur JST-BP dapat dibuat
sebagai berikut:
Tabel 1. Level pengenalan alphabet kapital
Level
1 Lapisan Tersembunyi
SBS
A, C, N, P, Q, S, T, U, Y
SB
D
B
E
S
W
J
B, L, O, X
SJ
I, K, M, Z
SJS
F, G, H, J, R, V
Keterangan:
SBS : Sangat Baik Sekali
SB
: Sangat Baik
B
: Baik
S
: Standar
J
: Jelek
SJ
: Sangat Jelek
SJS : Sangat Jelek Sekali
2 Lapisan Tersembunyi
A, D, E, N, T, W
P, U, Y
CQ
J, S
B, F, I
K, O, R, X, Z
G, H, L, M, V
3 Lapisan Tersembunyi
E, N, T, W, Y
A, C, D, E, U
P, Q
B, I, J, L,
G, K, O, R, Z
F, S, H, V, X
4. KESIMPULAN
Dari hasil dan pembahasan dapat ditarik kesimpulan sebagai berikut:
1. Susunan praproses (TPC) dari konversi citra RGB ke citra biner, eliminasi derau dengan 9
titik bertetangga, pemfokusan citra dan penskalaan, mampu meningkatkan kinerja sistem
pengenalan pola alphabet kapital hasil tulisan tangan.
TELKOMNIKA Vol. 3, No. 2, Agustus 2005 : 65 - 71
TELKOMNIKA
ISSN: 1693-6930
141
2. Ditinjau dari perhitungan MSE, arsitektur yang terbaik dihasilkan oleh 2 lapisan
tersembunyi.
3. Dilihat dari nilai SEE tiap huruf untuk masing–masing arsitektur, alphabet paling sulit untuk
dikenali adalah H, V, dan K, sedangkan yang paling mudah dikenali adalah N, T, dan A.
4. Keberhasilan perangkat lunak sangat tergantung kondisi piranti pendukung seperti kamera
video dan intensitas cahaya.
DAFTAR PUSTAKA
[1]
Fadlil, 2004, “Pengaruh Kompleksitas Ekstraksi Ciri Pada Sistem Pengenalan
Tulisan Tangan Dinamis” Jurnal Ilmiah Telkomnika, Vol.2, No.1.
[2]
Fausett, L., 1994, “Fundamentals Of Neural Networks : Architecture, algorithms, And
Applications” Practise Hall, New Jersey .
[3]
Jain, A. K., 1995, Fundamentals of Digital Image Processing, Practice Hall, New
Jersey.
[4]
Mudjirahardjo, P., 2001, “Penerapan JST-BP untuk Pengenalan Kode Pos Tulisan
Tangan” Tesis S-2, Universitas Gadjah Mada, Yogyakarta.
[5]
Plamondon, R. and Srihari, S. N., 2000, “On-line and Off-line Handwriting Recognition
: A Comprehensive Survey” IEEE Transactions on Pattern Analysis and Machine
Intelligence, Vol. 22, No.1.
[6]
Raph, G., 1997, “Run-On Recognition in an On-line Handwriting Recognition
System” Report University of Karlsruhe, Germany.
[7]
Sigit, R., 2001, “Aplikasi Jaringan Syaraf Tiruan Untuk Mengenali Angka” Institut
Teknologi Surabaya, Surabaya.
[8]
Tappert, C.C., Suen, C. Y. and Wakahara, T., 1990, “The State of the Art in On-Line
Handwriting Recognition” IEEE Trans. Pattern Analysis ad Machine Intelligence, Vol.
12, No.8.
Pengenalan Pola Alphabet Tulisan Tangan…..(Tole Sutikno)
ISSN: 1693-6930
135
PENGENALAN POLA ALPHABET TULISAN TANGAN
SECARA ON-LINE DENGAN JST-BP
Tole Sutikno, Andhy Fathurrakhman
Program Studi Teknik Elektro Universitas Ahmad Dahlan
Kampus III Jln. Prof Soepomo, Janturan, Yogyakarta
Telp. (0274) 379418 Ext. 220, HP. 08562862810, Fax. (0274) 381523
email: tholes2000@yahoo.com, andhyf@yahoo.com
Abstract
The intelligent system based in the backpropagation artificial neural network and image
processing with GUI Matlab 7.0 was developed. This system is designed for on-line pattern
recognition. In this experiments, system are trained dan tested using capital alfabet handwriting
patterns that captured from on-line webcam automatically. Generally, the results of the
experiments show that the system could recoginize with a high accuracy.
Keywords: Neural Network, Matlab, Pattern Recognition, Webcam
Abstrak
Telah dbangun sistem cerdas berbasis jaringan syaraf tiruan dan pengolahan citra
dengan GUI Matlab 7.0. Sistem ini dirancang untuk pengenalan pola on-line. Pada eksperimen
ini, sistem dilatih dan diuji dengan pola tulisan tangan kapital, yang di-capture otomatis oleh
webcam secara on-line. Secara umum, hasil eksperimen menunjukkan bahwa sistem dapat
mengenali pola dengan akurasi yang tinggi.
Kata kunci: Jaringan Syaraf Tiruan, Matlab, Pengenalan pola, Webcam
1. Pendahuluan
Penelitian tentang pengenalan pola dengan jaringan syaraf tiruan backpropagation
(JST-BP) telah banyak dilakukan. Beberapa diantaranya dipadukan dengan teknik pengolahan
citra (TPC) sebagai pengkondisi input JST. Lallican, cs (2000) pada papernya yang
diseminarkan pada “sevent international workshop on frontiers in handwriting recognition”
mendeskripsikan migrasi pengenalan pola tulisan tangan off-line ke on-line.
Publikasi hasil penelitian serupa dilakukan oleh Plamondon dan Srihari (2000), yang
memberikan kajian komprehenship tentang konsep pengenalan pola off-line dan on-line.
Penelitian lain dilakukan Fadlil (2004), yang mengembangkan JST-BP untuk mengenali tulisan
tangan dinamis secara on-line. Sistem dilatih dan diuji menggunakan sebagian database
standart international IRONOFF, tetapi sistem ini tidak menggunakan TPC untuk praproses.
Sigit, dkk (2001) dalam penelitiannya mengembangkan JST-BP dan TPC untuk
pengenalan angka. Praproses yang digunakan adalah deteksi tepi prewitt dan ekstraksi citra ke
bentuk matrik 16 x 16 piksel. Arsitektur JST-BP menggunakan 3 lapisan, yaitu 256 neuron untuk
lapisan input, 18 neuron pada lapisan tersembunyi (hidden) dan 10 neuron untuk lapisan output.
Banyak jenis pola pelatihan adalah 10 yaitu angka 1 sampai dengan angka 10. Dari pelatihan
yang dilakukan, untuk mencapai performance yang dinginkan yaitu sebesar 0,01 dibutuhkan
sebanyak 1351 epoch.
Pada penelitian ini dirancang suatu sistem pengenalan pola tertentu secara on-line
dengan JST-BP dan TPC. Pada tahap eksperimen, sebagai pola adalah tulisan tangan alphabet
kapital. Praproses (TPC) yang digunakan ialah konversi citra RGB ke citra biner, eliminasi
derau, pen-center-an citra (pemfokusan pola) dan penskalaan ke matrik 20 x 20 piksel. Citra
diinput dengan menggunakan suatu kamera yang telah dikondisikan. Arsitektur yang diteliti
adalah 1 sampai dengan 3 hidden layer, yaitu untuk 1 hidden layer : 400 – 213 – 26, untuk 2
hidden layer : 400 – 275 – 151 – 26 dan untuk 3 hidden layer: 400 – 307 – 213 – 120 – 26.
Banyak jenis pola pelatihan adalah 26 (alphabet A–Z). Untuk mengetahui yang terbaik antara 3
Pengenalan Pola Alphabet Tulisan Tangan…..(Tole Sutikno)
136
ISSN: 1693-6930
bentuk arsitektur JST-BP tersebut digunakan perhitungan Mean Square Error (MSE) dan untuk
mengetahui tingkat level pengenalan tiap hurufnya digunakan perhitungan Standard Estimate of
Error (SEE).
2. METODE PENELITIAN
Keseluruhan perangkat keras membentuk suatu sistem dengan susunan blok diagram
seperti Gambar 1, dan kamera diletakkan dalam suatu tempat tertutup agar memperoleh
kondisi yang tetap seperti Gambar 2.
Secara keseluruhan, hardware dan software yang digunakan untuk penelitian adalah:
a. Personal Computer (PC) dengan klasifikasi : Pentium III 1,2 GHz, RAM 128 dan Hd 40
Gbyte.
b. Perangkat lunak Matlab ver. 7 dan sistem operasi Windows XP Sp 1.
c. Kamera Webcam Logitech dengan resolusi 640x840 piksel dan kabel USB.
d. Pencahayaan lampu berkekuatan 65 watt, kabel dan konektor listrik.
e. Kotak kamera
1
Webcam
Logitech
PC
Objek Gambar
Gambar 1. Skema Hardware sistem pengenalan pola
Kamera
Lampu
Gabus
Screen
Error!
Ke port USB
Ke sumber
Gambar 2. Skema alat pengambilan input
Citra RGB
Praproses
dengan TPC
Kamera
Konv. Citra RGB ke citra
biner
Eliminasi Derau
Pemfokusan pola
Penskalaan
Konv. Matrik pola ke
vektor kolom
Database
JST BP
Klasifikasi
Gambar 3. Skema perangkat lunak sistem pengenalan pola
TELKOMNIKA Vol. 3, No. 2, Agustus 2005 : 65 - 71
TELKOMNIKA
ISSN: 1693-6930
137
Perangkat lunak dibangun dengan GUI Matlab versi 7 dan terintegrasi langsung dengan
kamera webcam. Secara diagram, skema perangkat lunak sistem ditunjukkan pada Gambar 3.
Konversi citra RGB ke citra biner melewati 2 tahapan, yaitu citra RGB ke citra keabuan
(gray level) kemudian dibinerkan dengan threshold sebesar 100. Eliminasi derau yang
digunakan adalah eliminasi 9 titik bertetangga. Pen-center-an (pemfokusan) adalah bagian
dimana citra bagian tepi (atas, bawah, kiri dan kanan) yang memiliki nilai 0 dibuang, sehingga
citra yang diperoleh benar-benar citra yang memiliki informasi. Penskalaan adalah perubahan
ukuran citra menuju ukuran yang dapat ditempatkan dalam suatu frame yang berpiksel 20x20.
Hasil akhir dari praproses adalah perubahan citra yang telah diskalakan kedalam vektor kolom
yang siap dipelajari oleh JST-BP.
Pada pembelajarannya JST-BP menggunakan sistem Batch Mode (train) dilakukan
modifikasi momentum dan laju pembelajaran terhadap algoritma standard pelatihan JST-BP
sebebagai berikut:
Perubahan laju pembelajaran:
α kj t k
α kj t 11 γ α kj t
α t
kj
Jika Δ kj (t 1)Δ kj (t) 0
Jika Δ kj (t 1)Δ kj (t) 0
Lainnya
(1)
Perubahan bobot:
Wkj(t + 1) = Wkj(t) + αkZj + μ[Wkj(t) - Wkj(t – 1)]
(2)
Vji(t + 1) = Vji(t) + αjXi + μ[Vji(t) - Vji(t – 1)]
(3)
dan
Keterangan :
Wkj(t + 1), Vji(t + 1) :
Wkj(t), Vji(t)
:
Wkj(t – 1), Vji(t – 1) :
k
:
γ
:
μ
:
bobot baru berikutnya
bobot sekarang
bobot sebelumnya
Learning rate increasing (kenaikan laju pembelajaran)
learning rate deacresing (penurunan laju pembelajaran)
Konstanta Gradien
Penentuan jumlah neuron tiap lapisan (layer) digunakan fungsi linear Space untuk
membentuk jumlah neuron yang mengkrucut stabil dari lapisan input ke lapisan output. Fungsi
Linear Space yaitu:
n d 2 d1
Li floor d1 i
1
floor
layer
(4)
Keterangan:
ni = Bilangan array dari 0 sampai dengan jumlah layer -1
d1 = Jumlah neuron lapisan input
d2 = Jumlah neuron lapisan output
Dari fungsi Linear Space diperoleh nilai untuk arsitektur JST-BP yaitu untuk 1 hidden
layer:
400 – 213 – 26, untuk 2 hidden layer : 400 – 275 – 151 – 26 dan untuk 3 hidden
layer : 400 – 307 – 213 – 120 – 26. Untuk penelitian ini variabel pelatihan JST-BP diset sebagai
berikut:
Maksimal epoh
= 2000
Performan goal
= 1 x 10-5
Minimum Gradien
= 1 x 10-20
Konstanta Gradien
= 0,9
Learning Rate
= 0,01
Learning Rate Increasing = 1,05
Learning Rate Decreasing =
0,7
Pengenalan Pola Alphabet Tulisan Tangan…..(Tole Sutikno)
138
ISSN: 1693-6930
Pola yang diinputkan sebanyak 78 pola yang terdiri dari jenis pola A–Z, yaitu 1 sampai
dengan 26, 27 sampai dengan 52 dan 53 sampai dengan 78. citra dilewatkan melalui praproses
yang kemudian diubah ke dalam vektor kolom. Baris paling bawah pada vektor kolom ditambah
26 bit berisi target dari pola yang berkesesuaian, sehingga total ukuran vektor adalah 426. Polapola yang telah diubah ke vektor kolom disimpan ke dalam database. Setelah terkumpul
sebanyak 78, pola dilatihkan ke JST-BP dengan membagi vektor sebagai input pelatihan (dari
baris ke 1 sampai dengan 400 semua kolom) dan target (baris 401 sampai dengan 426 semua
kolom).
Untuk analisa, data yang akan diambil adalah output simulasi ketiga JST-BP terhadap
pola pelatihan, jumlah epoh dan performance maksimum yang diperoleh. Penentuan klasifikasi
kelas terbaik terhadap ketiga arsitektur JST-BP digunakan perhitungan Mean Square Error
(MSE) dari total output tiap arsitektur, yang dirumuskan:
MSE
1 Q
(t k ak ) 2
Q k 1
(5)
Keterangan :
Q
= Jumlah pola yang dihitung
tk
= vektor target
= vektor keluaran jaringan
ak
Untuk pelevelan tingkat pengenalan tiap alphabet masing – masing arsitektur,
digunakan perhitungan Standard Estimate of Error yang dirumuskan:
T Y
2
SEE
Se
T
N
(6)
n2
= Standard Estimate of Error
= Nilai yang diharapkan
= Jumlah elemen data
3. HASIL DAN PEMBAHASAN
Untuk 1 lapisan tersembunyi, pelatihan berhenti pada epoh ke 977, performance yang
dicapai 9,9273e-006, seperti ditunjukkan pada Gambar 4.
Performance 9.9273e-006
0.01
0.009
0.008
Performance
0.007
0.006
0.005
0.004
0.003
0.002
0.001
0
0
100
200
300
400
500
epoch
600
700
800
900
1000
Gambar 4. Grafik pelatihan jaringan dengan 1 lapisan tersembunyi
Untuk 2 lapisan tersembunyi, pelatihan berhenti pada epoh ke 867, performance yang
dicapai 7,0598e-006, seperti ditunjukkan pada Gambar 5.
TELKOMNIKA Vol. 3, No. 2, Agustus 2005 : 65 - 71
TELKOMNIKA
ISSN: 1693-6930
139
Performance 7.0598e-006
0.012
0.01
Performance
0.008
0.006
0.004
0.002
0
0
100
200
300
400
500
epoch
600
700
800
900
Gambar 5. Grafik pelatihan jaringan dengan 2 lapisan tersembunyi
Untuk 3 lapisan tersembunyi, pelatihan berhenti pada epoh ke 501, performance yang
dicapai 6,5348e-006, seperti ditunjukkan pada Gambar 6.
-3
9
Performance 6.5348e-006
x 10
8
7
Performance
6
5
4
3
2
1
0
0
100
200
300
epoch
400
500
600
Gambar 6. Grafik pelatihan jaringan dengan 3 lapisan tersembunyi
Dari ketiga arsitektur untuk mencapai performance yang diinginkan (1x10-5) dalam
mengenali 26 alphabet kapital, hanya memerlukan kurang dari 1000 iterasi. Perhitungan MSE
dari 1 lapisan tersembunyi adalah 1,5594 x 10-6, 2 lapisan tersembunyi adalah 9,94278 x 107
dan 3 lapisan tersembunyi adalah 1,98841 x 10-6. Dari perhitungan MSE ini terlihat bahwa
arsitektur dengan menggunakan 2 lapisan tersembunyi mempunyai tingkat akurasi pengenalan
pola lebih baik dari pada 1 dan 3 lapisan tersembunyi. Perhitungan SEE tiap jaringan
diperlihatkan oleh Gambar 7, 8 dan 9.
Standar Estimasi Error
1,6
1,4
1,2
Error
1
0,8
0,6
0,4
0,2
0
A
B C D E
F
G H
I
J
K
L M N O
P Q
R
S T U V W X Y Z
Pola
Gambar 7. SEE 1 lapisan tersembunyi
Pengenalan Pola Alphabet Tulisan Tangan…..(Tole Sutikno)
140
ISSN: 1693-6930
Standar Estimasi Error
1,6
1,4
1,2
Error
1
0,8
0,6
0,4
0,2
0
A
B
C D
E
F
G H
I
J
K
L M N O
P
Q
R
S T
U
V W X
Y
Z
Pola
Gambar 8. SEE 2 lapisan tersembunyi
Standar Estimasi Error
1,6
1,4
1,2
Error
1
0,8
0,6
0,4
0,2
0
A
B
C D
E
F
G H
I
J
K
L M N O
P
Q
R
S T
U
V W X Y
Z
Pola
Gambar 9. SEE 3 lapisan tersembunyi
Pelevelan tingkat pengenalan tiap alphabet untuk arsitektur JST-BP dapat dibuat
sebagai berikut:
Tabel 1. Level pengenalan alphabet kapital
Level
1 Lapisan Tersembunyi
SBS
A, C, N, P, Q, S, T, U, Y
SB
D
B
E
S
W
J
B, L, O, X
SJ
I, K, M, Z
SJS
F, G, H, J, R, V
Keterangan:
SBS : Sangat Baik Sekali
SB
: Sangat Baik
B
: Baik
S
: Standar
J
: Jelek
SJ
: Sangat Jelek
SJS : Sangat Jelek Sekali
2 Lapisan Tersembunyi
A, D, E, N, T, W
P, U, Y
CQ
J, S
B, F, I
K, O, R, X, Z
G, H, L, M, V
3 Lapisan Tersembunyi
E, N, T, W, Y
A, C, D, E, U
P, Q
B, I, J, L,
G, K, O, R, Z
F, S, H, V, X
4. KESIMPULAN
Dari hasil dan pembahasan dapat ditarik kesimpulan sebagai berikut:
1. Susunan praproses (TPC) dari konversi citra RGB ke citra biner, eliminasi derau dengan 9
titik bertetangga, pemfokusan citra dan penskalaan, mampu meningkatkan kinerja sistem
pengenalan pola alphabet kapital hasil tulisan tangan.
TELKOMNIKA Vol. 3, No. 2, Agustus 2005 : 65 - 71
TELKOMNIKA
ISSN: 1693-6930
141
2. Ditinjau dari perhitungan MSE, arsitektur yang terbaik dihasilkan oleh 2 lapisan
tersembunyi.
3. Dilihat dari nilai SEE tiap huruf untuk masing–masing arsitektur, alphabet paling sulit untuk
dikenali adalah H, V, dan K, sedangkan yang paling mudah dikenali adalah N, T, dan A.
4. Keberhasilan perangkat lunak sangat tergantung kondisi piranti pendukung seperti kamera
video dan intensitas cahaya.
DAFTAR PUSTAKA
[1]
Fadlil, 2004, “Pengaruh Kompleksitas Ekstraksi Ciri Pada Sistem Pengenalan
Tulisan Tangan Dinamis” Jurnal Ilmiah Telkomnika, Vol.2, No.1.
[2]
Fausett, L., 1994, “Fundamentals Of Neural Networks : Architecture, algorithms, And
Applications” Practise Hall, New Jersey .
[3]
Jain, A. K., 1995, Fundamentals of Digital Image Processing, Practice Hall, New
Jersey.
[4]
Mudjirahardjo, P., 2001, “Penerapan JST-BP untuk Pengenalan Kode Pos Tulisan
Tangan” Tesis S-2, Universitas Gadjah Mada, Yogyakarta.
[5]
Plamondon, R. and Srihari, S. N., 2000, “On-line and Off-line Handwriting Recognition
: A Comprehensive Survey” IEEE Transactions on Pattern Analysis and Machine
Intelligence, Vol. 22, No.1.
[6]
Raph, G., 1997, “Run-On Recognition in an On-line Handwriting Recognition
System” Report University of Karlsruhe, Germany.
[7]
Sigit, R., 2001, “Aplikasi Jaringan Syaraf Tiruan Untuk Mengenali Angka” Institut
Teknologi Surabaya, Surabaya.
[8]
Tappert, C.C., Suen, C. Y. and Wakahara, T., 1990, “The State of the Art in On-Line
Handwriting Recognition” IEEE Trans. Pattern Analysis ad Machine Intelligence, Vol.
12, No.8.
Pengenalan Pola Alphabet Tulisan Tangan…..(Tole Sutikno)